Motivation
Dynamische komplexe Systeme – beispielsweise Industrial IoT, Smart Factories oder Smart City – zeichnen sich durch ihre hohe technische Komplexität und gleichzeitige häufige Veränderung aus. Zur Absicherung solcher Systeme sind daher häufige Anpassungen an den Sicherheitsmechanismen (z.B. Firewalls) nötig. Diese Änderungen müssen aufeinander abgestimmt sein und erfordern ein hohes Maß an Expertenwissen und Synchronisation. Eine manuelle Anpassung ist daher zeitintensiv und fehleranfällig, eine automatisierte Lösung ist deshalb erstrebenswert.
Ziele und Vorgehen
Das Forschungsvorhaben ILPOSec nutzt Inductive Logic Programming (ILP), eine Technik aus dem Maschinellen Lernen (ML) auf Logikbasis, die Sicherheitsgarantien und Nachvollziehbarkeit gewährleistet. Das Projekt soll Use-Cases, konkrete Technologien und typische Systemaufbauten erforschen, insb. unter Berücksichtigung bestehender Lösungen, wie „BaSyx“. Eingaben zur Erzeugung der Richtlinien sind einerseits Protokolldaten des Systems während des Regelb-triebs, andererseits frühere Versionen einer Policy. Auf dieser Grundlage wird eine Meta-Policy-Sprache entwickelt und hierfür Lernverfahren mittels ILP erforscht. Es werden drei Ansätze entworfen und erprobt, mit denen jeweils zunächst eine Meta-Policy erlernt werden kann, aus der am zweiten Schritt eine Reihe von konkreten Richtlinien für die beteiligten Systemkomponenten (z.B. eine Firewall) erzeugt wird. Zur Erprobung dieser Ansätze wird eine Testumgebung anhand der ermittelten Use-Cases und Technologien aufgebaut. Darin wird die gesamte Kette von der Beispieldatenerhebung bis hin zur fertigen Policy in Zielsystem-Syntax umgesetzt und getestet.
Innovationen und Perspektiven
Der ILP-Ansatz grenzt ILPOSec deutlich von anderen Ansätzen auf Basis neuronaler Netze ab: Es werden weniger Beispieldaten benötigt und die Ergebnisse sind sicher mit diesen Beispieldaten kompatibel. Die im Projekt zu erforschenden Verfahren haben auch jenseits der Smart Factory und dem Industrial IoT Potenzial, etwa im Automotive Bereich, weshalb eine Lösung ein großes Übertragungspotenzial hat.